Exposure Diffusion: HDR Image Generation by Consistent LDR denoising

我们展示了使用多个黑盒、预训练的低动态范围（LDR）图像扩散模型的协同作用生成高动态范围（HDR）图像。通常的扩散模型不是HDR的，因为首先没有足够大的HDR图像数据集可用于重新训练它们，其次，即使有，重新训练这些模型对于大多数计算预算来说是不可能的。相反，我们从HDR图像捕获文献中寻求灵感，传统上将一组LDR图像（称为“括号”）融合以生成单个HDR图像。我们操作多个去噪过程来生成多个LDR括号，它们一起形成一个有效的HDR结果。为此，我们在扩散过程中引入了曝光一致性项，以使括号在它们共享的曝光范围内达成一致。我们展示了最先进的无条件和条件生成建模以及恢复类型（LDR2HDR）的HDR版本。

解决问题：本文试图通过多个黑盒子低动态范围（LDR）图像扩散模型的协同作用来生成高动态范围（HDR）图像，以解决当前缺乏大规模HDR图像数据集的问题。

关键思路：通过引入曝光一致性项来耦合多个LDR图像，生成多个LDR框架，从而形成有效的HDR结果。

其他亮点：本文使用多个LDR图像扩散模型的协同作用来生成HDR图像，并展示了基于无条件、有条件和修复类型的生成建模的HDR版本。实验中使用了多个数据集，并且提供了开源代码。

相关研究：最近的相关研究包括“Deep High Dynamic Range Imaging of Dynamic Scenes”和“HDR image reconstruction from a single exposure using deep CNNs”。